Perbandingan Model Machine Learning untuk Strategi Predictive Maintenance pada Metering System di PT KPI Balikpapan

Abstract

Predictive Maintenance adalah pendekatan perawatan yang memprediksi kapan suatu alat akan rusak, sehingga perbaikan bisa dilakukan lebih awal. Metering System adalah alat utama untuk mengukur volume dalam transaksi migas, sehinnga membutuhkan akurasi tinggi. Saat ini, perawatan Metering System di lapangan masih menggunakan metode preventive maintenance, yaitu pemeliharaan rutin berdasarkan jadwal. Penelitian ini bertujuan untuk menentukan model Machine Learning yang akurat dan efektif untuk diterapkan dalam strategi Predictive Maintenance. Metode penelitian melibatkan pelatihan dan pengujian model menggunakan aplikasi Matlab. Ada tiga model yang digunakan dalam penelitian ini, yaitu Random Forest, Support Vector Machine, dan Artificial Neural Network. Kinerja model dievaluasi secara mendalam menggunakan confusion matrix serta metrik akurasi, presisi, recall dan f1-score. Hasil analisis menunjukkan bahwa ANN adalah model yang paling optimal secara keseluruhan. ANN meraih akurasi tertinggi sebesar 98%, dan juga memiliki recall tertinggi (98%), menjadikan efektif dalam mengidentifikasi semua kasus positif. Kombinasi presisi dan recall yang tinggi ini tercermin dari f1-score tertinggi (95%), yang merupakan indikator performa model yang paling seimbang. Dengan demikian, model ANN menjadi pilihan yang paling cocok untuk strategi predictive pada Metering System, diharapkan dapat meningkatkan efisiensi, keamanan dan penghematan biaya perusahaan.